課程描述INTRODUCTION
Python大數(shù)據(jù)機(jī)器學(xué)習(xí)實(shí)戰(zhàn)高級(jí)師班



日程安排SCHEDULE
課程大綱Syllabus
Python大數(shù)據(jù)機(jī)器學(xué)習(xí)實(shí)戰(zhàn)高級(jí)師班
課程學(xué)習(xí)目標(biāo)
每個(gè)算法模塊按照“原理講解→分析數(shù)據(jù)→自己動(dòng)手實(shí)現(xiàn)→特征與調(diào)參”的順序。
“Python數(shù)據(jù)清洗和特征提取”,提升學(xué)習(xí)深度、降低學(xué)習(xí)坡度。
增加網(wǎng)絡(luò)爬蟲的原理和編寫,從獲取數(shù)據(jù)開始,重視將實(shí)踐問題轉(zhuǎn)換成實(shí)際模型的能力,分享工作中的實(shí)際案例或Kaggle案例:廣告銷量分析、環(huán)境數(shù)據(jù)異常檢測和分析、數(shù)字圖像手寫體識(shí)別、Titanic乘客存活率預(yù)測、用戶-電影推薦、真實(shí)新聞組數(shù)據(jù)主題分析、中文分詞、股票數(shù)據(jù)特征分析等。
強(qiáng)化矩陣運(yùn)算、概率論、數(shù)理統(tǒng)計(jì)的知識(shí)運(yùn)用,掌握機(jī)器學(xué)習(xí)根本。
闡述機(jī)器學(xué)習(xí)原理,提供配套源碼和數(shù)據(jù)。
以直觀解釋,增強(qiáng)感性理解。
對(duì)比不同的特征選擇帶來的預(yù)測效果差異。
重視項(xiàng)目實(shí)踐,重視落地。思考不同算法之間的區(qū)別和聯(lián)系,提高在實(shí)際工作中選擇算法的能力。
涉及和講解的部分Python庫有:Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn。
培訓(xùn)內(nèi)容介紹
模塊一:機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)1 - 數(shù)學(xué)分析
機(jī)器學(xué)習(xí)的一般方法和橫向比較
數(shù)學(xué)是有用的:以SVD為例
機(jī)器學(xué)習(xí)的角度看數(shù)學(xué)
復(fù)習(xí)數(shù)學(xué)分析
直觀解釋常數(shù)
導(dǎo)數(shù)/梯度
隨機(jī)梯度下降
展式的落地應(yīng)用
系數(shù)
凸函數(shù)
不等式
組合數(shù)與信息熵的關(guān)系
模塊二:機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)2 - 概率論與貝葉斯先驗(yàn)
概率論基礎(chǔ)
古典概型
貝葉斯公式
先驗(yàn)分布/后驗(yàn)分布/共軛分布
常見概率分布
泊松分布和指數(shù)分布的物理意義
協(xié)方差(矩陣)和相關(guān)系數(shù)
獨(dú)立和不相關(guān)
大數(shù)定律和中心極限定理的實(shí)踐意義
深刻理解*似然估計(jì)MLE和*后驗(yàn)估計(jì)
過擬合的數(shù)學(xué)原理與解決方案
模塊三:機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)3 - 矩陣和線性代數(shù)
線性代數(shù)在數(shù)學(xué)科學(xué)中的地位
馬爾科夫模型
矩陣乘法的直觀表達(dá)
狀態(tài)轉(zhuǎn)移矩陣
矩陣和向量組
特征向量的思考和實(shí)踐計(jì)算
分解
對(duì)稱陣、正交陣、正定陣
數(shù)據(jù)白化及其應(yīng)用
向量對(duì)向量求導(dǎo)
標(biāo)量對(duì)向量求導(dǎo)
標(biāo)量對(duì)矩陣求導(dǎo)工作機(jī)制
模塊四:Python基礎(chǔ)1 - Python及其數(shù)學(xué)庫
解釋器Python2.7與IDE:
基礎(chǔ):列表/元組/字典/類/文件
展式的代碼實(shí)現(xiàn)
的介紹和典型使用
多元高斯分布
泊松分布、冪律分布
典型圖像處理
蝴蝶效應(yīng)
分形與可視化
模塊五:Python基礎(chǔ)2 - 機(jī)器學(xué)習(xí)庫
的介紹和典型使用
損失函數(shù)的繪制
多種數(shù)學(xué)曲線
多項(xiàng)式擬合
快速傅里葉變換
奇異值分解
算子與卷積網(wǎng)絡(luò)
卷積與(指數(shù))移動(dòng)平均線
股票數(shù)據(jù)分析
模塊六:Python基礎(chǔ)3 - 數(shù)據(jù)清洗和特征選擇
實(shí)際生產(chǎn)問題中算法和特征的關(guān)系
股票數(shù)據(jù)的特征提取和應(yīng)用
一致性檢驗(yàn)
缺失數(shù)據(jù)的處理
環(huán)境數(shù)據(jù)異常檢測和分析
模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法、算法、應(yīng)用
樸素貝葉斯用于鳶尾花數(shù)據(jù)
樸素貝葉斯用于18000+篇/Sogou新聞文本的分類
模塊七:回歸
線性回歸
回歸
廣義線性回歸
正則化
與
梯度下降算法:BGD與
特征選擇與過擬合
模塊八:Logistic回歸
函數(shù)的直觀解釋
回歸的概念源頭
回歸
*熵模型
散度
損失函數(shù)
回歸的實(shí)現(xiàn)與調(diào)參
模塊九:回歸實(shí)踐
機(jī)器學(xué)習(xí)sklearn庫介紹
線性回歸代碼實(shí)現(xiàn)和調(diào)參
回歸代碼實(shí)現(xiàn)和調(diào)參
回歸
回歸
廣告投入與銷售額回歸分析
鳶尾花數(shù)據(jù)集的分類
交叉驗(yàn)證
數(shù)據(jù)可視化
模塊十:決策樹和隨機(jī)森林
熵、聯(lián)合熵、條件熵、KL散度、互信息
*似然估計(jì)與*熵模型
ID3、C4.5、CART詳解
決策樹的正則化
預(yù)剪枝和后剪枝
隨機(jī)森林
不平衡數(shù)據(jù)集的處理
利用隨機(jī)森林做特征選擇
使用隨機(jī)森林計(jì)算樣本相似度
數(shù)據(jù)異常值檢測
模塊十一:隨機(jī)森林實(shí)踐
隨機(jī)森林與特征選擇
決策樹應(yīng)用于回歸
多標(biāo)記的決策樹回歸
決策樹和隨機(jī)森林的可視化
葡萄酒數(shù)據(jù)集的決策樹/隨機(jī)森林分類
波士頓房價(jià)預(yù)測
模塊十二:提升
提升為什么有效
梯度提升決策樹
算法詳解
算法
加法模型與指數(shù)損失
模塊十三:提升實(shí)踐
用于蘑菇數(shù)據(jù)分類
與隨機(jī)森林的比較
庫介紹
展式與學(xué)習(xí)算法
簡介
泰坦尼克乘客存活率估計(jì)
模塊十四:
線性可分支持向量機(jī)
軟間隔的改進(jìn)
損失函數(shù)的理解
核函數(shù)的原理和選擇
算法
支持向量回歸
模塊十五:SVM實(shí)踐
代碼庫介紹
原始數(shù)據(jù)和特征提取
葡萄酒數(shù)據(jù)分類
數(shù)字圖像的手寫體識(shí)別
用于時(shí)間序列曲線預(yù)測
、Logistic回歸、隨機(jī)森林三者的橫向比較
模塊十六:聚類(一)
各種相似度度量及其相互關(guān)系
相似度和準(zhǔn)確率、召回率
相關(guān)系數(shù)與余弦相似度
與K-Medoids及變種
算法(Sci07)/LPA算法及其應(yīng)用
模塊十七:聚類(二)
密度聚類
譜聚類
聚類評(píng)價(jià)
算法及其應(yīng)用
模塊十八:聚類實(shí)踐
算法原理和實(shí)現(xiàn)
向量量化VQ及圖像近似
并查集的實(shí)踐應(yīng)用
密度聚類的代碼實(shí)現(xiàn)
譜聚類用于圖片分割
模塊十九:EM算法
*似然估計(jì)
不等式
樸素理解EM算法
*推導(dǎo)EM算法
算法的深入理解
混合高斯分布
主題模型
模塊二十:EM算法實(shí)踐
多元高斯分布的EM實(shí)現(xiàn)
分類結(jié)果的數(shù)據(jù)可視化
與聚類的比較
過程
三維及等高線等圖件的繪制
主題模型pLSA與EM算法
模塊二十一:主題模型
貝葉斯學(xué)派的模型認(rèn)識(shí)
分布與二項(xiàng)分布
共軛先驗(yàn)分布
分布
平滑
采樣詳解
模塊二十二:LDA實(shí)踐
網(wǎng)絡(luò)爬蟲的原理和代碼實(shí)現(xiàn)
停止詞和高頻詞
動(dòng)手自己實(shí)現(xiàn)
開源包的使用和過程分析
算法
與word2vec的比較
算法與實(shí)踐
模塊二十三:隱馬爾科夫模型
概率計(jì)算問題
前向/后向算法
的參數(shù)學(xué)習(xí)
算法詳解
算法詳解
隱馬爾科夫模型的應(yīng)用優(yōu)劣比較
模塊二十四:HMM實(shí)踐
動(dòng)手自己實(shí)現(xiàn)HMM用于中文分詞
多個(gè)語言分詞開源包的使用和過程分析
文件數(shù)據(jù)格式UFT-8、
停止詞和標(biāo)點(diǎn)符號(hào)對(duì)分詞的影響
前向后向算法計(jì)算概率溢出的解決方案
發(fā)現(xiàn)新詞和分詞效果分析
高斯混合模型
用于股票數(shù)據(jù)特征提取
模塊二十五:課堂提問與互動(dòng)討論
Python大數(shù)據(jù)機(jī)器學(xué)習(xí)實(shí)戰(zhàn)高級(jí)師班
轉(zhuǎn)載:http://www.moqiwei.com/gkk_detail/39830.html
已開課時(shí)間Have start time
大數(shù)據(jù)課程內(nèi)訓(xùn)
- 《數(shù)據(jù)資源入表與數(shù)據(jù)治理》 鐘凱
- 政府?dāng)?shù)字化轉(zhuǎn)型實(shí)務(wù) 焦波
- 《銀行數(shù)據(jù)驅(qū)動(dòng)經(jīng)營方法論與 宗錦(
- 以需求為導(dǎo)向的大數(shù)據(jù)精準(zhǔn)營 張世民
- 數(shù)字經(jīng)濟(jì)時(shí)代銀行開展數(shù)字化 李勇
- 醫(yī)療行業(yè)數(shù)字化營銷趨勢及實(shí) 王文琭
- 數(shù)智化領(lǐng)域新技術(shù)與典型應(yīng)用 胡國慶
- 數(shù)字經(jīng)濟(jì)與數(shù)據(jù)技術(shù)應(yīng)用與變 王文琭
- 《跨境電商全鏈路AI賦能轉(zhuǎn) 黃光偉
- 數(shù)字技術(shù)與數(shù)字工具應(yīng)用 王文琭
- 大數(shù)據(jù)應(yīng)用現(xiàn)狀與未來發(fā)展重 胡國慶
- 數(shù)字時(shí)代下的營銷趨勢 韓天成